Résumé (FR)

Dans un cadre contrefactuel, cette thèse formalise l’inférence causale comme un problème d’estimation de densité. L’objectif est d’estimer la distribution de probabilité d’un mélange de quatre populations distinctes, définies par les résultats avec et sans traitement. Le problème fondamental est que les deux résultats ne sont pas observables simultanément. Deux modèles, introduisant des contraintes de causalité à partir de l’information partielle des résultats observés, sont proposés. La première approche, paramétrique, est basée sur un algorithme d’Espérance-Maximisation. Les paramètres des distributions des populations causales sont estimés itérativement en maximisant la vraisemblance, tout en ajoutant un apriori sur les probabilités a posteriori dans une étape intermédiaire. La seconde approche non-paramétrique utilise une architecture d’Auto-Encodeur améliorée par un apriori. Ce dernier se présente sous la forme d’un masque dans la couche intermédiaire du réseau. Des expérimentations sont menées sur des ensembles de données synthétiques et réelles pour prouver l’efficacité de ces approches. Quelques extensions sont également proposées.